IMPLEMENTASI METODE CNN-LSTM UNTUK PREDIKSI TEMPERATUR MAKSIMUM DI KOTA TANJUNGPINANG
Total View This Week0
Total View This Week0
Institusion
Universitas Maritim Raja Ali Haji
Author
FIANI, MIA AL
Nurfalinda, Nurfalinda
Rathomi, Muhamad Radzi
Nurfalinda, Nurfalinda
Rathomi, Muhamad Radzi
Subject
006.3 Artificial Intelligence/Kecerdasan Buatan
Datestamp
2025-02-03 04:14:33
Abstract :
Suhu merupakan salah satu parameter penting dalam analisis iklim, karena berpengaruh langsung pada kehidupan manusia dan berbagai sektor, seperti pertanian, kesehatan, dan energi. Prediksi temperatur maksimum (Tx) menjadi penting, terutama untuk wilayah seperti kota Tanjungpinang. Penelitian ini bertujuan untuk mengevaluasi kinerja metode CNN-LSTM dalam memprediksi temperatur maksimum (Tx) dengan memanfaatkan kelembapan rata-rata (RH_avg) dan curah hujan (RR) sebagai variabel input. Data yang digunakan terdiri dari 912 data, yang dibagi menjadi 80% untuk pelatihan dan 20% utuk pengujian. Pendekatan CNN-LSTM mengombinasikan kemampuan CNN dalam mengekstraksi pola spasial, dengan keunggulan LSTM dalam menangkap hubungan temporal pada data deret waktu. Serangkaian eksperimen dilakukan dengan mengubah parameter model, termasuk jumlah filter CNN, ukuran kernel, unit LSTM, jumlah epoch, dan ukuran batch. Model terbaik diperoleh dengan konfigurasi filter CNN: 128, kernel size: 7, unit LSTM: 200, epoch: 120, dan batch size: 16. Model ini mencapai performa optimal dengan RMSE sebesar 1.65, dan MAPE sebesar 4.19%. Hasil penelitian ini menunjukkan bahwa pendekatan CNN-LSTM efektif dan akurat dalam memprediksi temperatur maksimum.
Suhu merupakan salah satu parameter penting dalam analisis iklim, karena berpengaruh langsung pada kehidupan manusia dan berbagai sektor, seperti pertanian, kesehatan, dan energi. Prediksi temperatur maksimum (Tx) menjadi penting, terutama untuk wilayah seperti kota Tanjungpinang. Penelitian ini bertujuan untuk mengevaluasi kinerja metode CNN-LSTM dalam memprediksi temperatur maksimum (Tx) dengan memanfaatkan kelembapan rata-rata (RH_avg) dan curah hujan (RR) sebagai variabel input. Data yang digunakan terdiri dari 912 data, yang dibagi menjadi 80% untuk pelatihan dan 20% utuk pengujian. Pendekatan CNN-LSTM mengombinasikan kemampuan CNN dalam mengekstraksi pola spasial, dengan keunggulan LSTM dalam menangkap hubungan temporal pada data deret waktu. Serangkaian eksperimen dilakukan dengan mengubah parameter model, termasuk jumlah filter CNN, ukuran kernel, unit LSTM, jumlah epoch, dan ukuran batch. Model terbaik diperoleh dengan konfigurasi filter CNN: 128, kernel size: 7, unit LSTM: 200, epoch: 120, dan batch size: 16. Model ini mencapai performa optimal dengan RMSE sebesar 1.65, dan MAPE sebesar 4.19%. Hasil penelitian ini menunjukkan bahwa pendekatan CNN-LSTM efektif dan akurat dalam memprediksi temperatur maksimum.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
